7.2
深览指数
科技量子位·梦瑶··AI 生成
AI离“理解万物”还有多远？先拿癌细胞和行星轨道试试水
论文试图回答一个问题：AI在理解不同系统（从细胞到行星）的演化规律时，能否共享一套底层的预测方法？核心贡献是提出JEPA-Anything框架，其关键机制OPF（正交预测分解）将目标状态切割为多个互补子空间，交由不同分支独立预测，解决标准JEPA中不同尺度信号相互挤压的问题。在视觉、生物、临床、分子、物理场等七类系统上验证了预测核心的跨领域适用性；两个探索性案例（从内部因子推导肝癌干预方案、从隐模式中还原开普勒第三定律）表明模型内部结构可作为科学分析接口。适合想了解世界模型/表征学习前沿、关注AI for Science的深度读者。原文 ↗
核心观点
- ▍不同领域（从天气、分子到行星）的变化虽然表面迥异，但AI在理解它们“如何变化”时，可能共享一套更底层的预测学习方法——JEPA-Anything旨在验证此猜想。
- ▍标准JEPA将所有信息汇入同一条预测路径，导致不同尺度的信号互相挤压；JEPA-Anything通过正交预测分解（OPF）将目标状态切割为多个互补子空间，由不同分支独立预测，以更好地分配预测容量。
- 01在十项对齐条件的动力学基准测试中，JEPA-Anything在九项任务上优于标准JEPA，例如PDEBench的Burgers方程MSE下降39.7%，WeatherBench 2下降10.5%。
- 02在简化Pong构造的受控环境CITRIS Interventional Pong中，JEPA-Anything在未见过的多因子组合干预下，MSE较标准JEPA下降约3.5%。
- 03在液态水、α-石英、对乙酰氨基酚和苯四种分子系统的长期预测中，JEPA-Anything在一步预测MAE和100步自由rollout后的位置RMSD上均取得最低误差。
- 04肝癌研究中，研究者利用模型内部正交因子筛选出IL-18联合NT5E/CD73阻断的候选方案，并在细胞系、类器官、小鼠实验中得到验证。
- 05行星轨道案例中，模型仅从模拟的位置速度轨迹学习，其内部latent modes中提取出的“轨道频率-半长轴”关系拟合斜率达-1.4991，与开普勒第三定律的理论值-1.5高度接近。
反方 / 局限
- — 在连续控制测试中，JEPA-Anything并非全面优于标准JEPA：在Walker2d和HalfCheetah上得分更高，但在Hopper上标准JEPA表现更好。
- — 连续预测的距离越远，误差仍会不断累积。在Burgers测试中，当预测长度从20步增加到50步时，JEPA-Anything的优势明显缩小。
JEPA-AnythingOPF (正交预测分解)JEPAPhAI LabsDreamerV3V-JEPA 2CITRIS Interventional PongPDEBenchWeatherBench 2开普勒第三定律
13 分钟 · 5 卡片 · 13 资料
读原文 →